摘要：近年来，神经网络预测控制在工业过程控制中不仅得到广泛的应用，而且其理论研究也取得了很大进展。对当前各种神经刚络预测控制方法的现状及其工业应用进行了较深入地分析，并对其存在的问题和今后可能的发展趋势作了进一步探讨。 关键词：神经网络；预测控制：非线性系统；工业过程控制
Abstract: In recent years, neural network predictive control has not only been widely used in industrial process control, but also has made great progress in theoretical research. The current status of various neural network prediction control methods and their industrial applications are analyzed in depth, and the existing question and possible future development trends are further discussed.
Keywords: neural network; predictive control: nonlinear system; industrial process control
20世纪70年代以来，人们从工业过程的特点出发，寻对模型精度要去不高而同样能实现高 质量控制性能的方法，预测控制就是在这种背景下发展起的[1]。预测控制技术最初山Richalet和Cutler提出[2],具有多步预测、滚动优化、反馈校正等机理，因此能够克服过程模型的不确定性，体现出优良的控制性能，在工业过程控制中取得了成功的应用。如Shell公司、Honeywell公司、Centum公司，都在它们的分布式控制系统DCS上装备了商业化的预测控制软件包．并广泛地将其应用于石油、化工、冶金等工业过程中[3]。但是，预测函数控制是以被控对象的基函数的输出响应可以叠加为前提的，因而只适用于线性动态系统控制。对于实际中大量的复杂的非线性工业过程。不能取得理想的控制效果。而神经网络具有分布存储、并行处理、联想记忆、自组织和自学习等功能，以神经元组成的神经网络可以逼近任意的：线性系统。使控制系统具有智能化、鲁棒性和适应性，能处理高维数、非线性、干扰强、难建模的复杂工业过程。因此，将神经网络应用于预测控制，既是实际应用的需要，同时也为预测控制理论的发展开辟了广阔的前景。本文对基于神经网络的预测控制的研究现状进行总结，并展望未来的发展趋势。
l神经网络预测控制的基本算法的发展[4]
实际中的控制对象都带有一定的菲线性，大多数具有弱非线性的对象可用线性化模型近似，
并应用已有的线性控制理论的研究成果来获得较好的控制效果。而对具有强非线性的系统的控制则一直是神经网络预测控制界研究的热点和难点。
就预测控制的基本原理而言，只要从被控对象能够抽取出满足要求的预测模型，它便可以应用于任何类型的系统，包括线性和非线性系统。
由于神经网络理论在求解非线性方面的巨大优势，很快被应用于非线性预测控制中。其主要设计思想是：利用一个或多个神经刚络，对非线性系统的过程信息进行前向多步预测，然后通过优化一个含有这些预测信息的多步优化目标函数，获得非线性预测控制律。在实际应用与理论研究中形成了许多不同的算法。如神经网络的内模控制、神经网络的增量型模型算法控制等，近来一些学者对有约束神经网络的预测控制也作了相应的研究。文献[5]设计了多层前馈神经网络，使控制律离线求解。文献[6]采用两个网络进行预测，但结构复杂，距离实际应用还有一定的距离，文献[7]利用递阶遗传算法，经训练得出离线神经网络模型．经多步预测得出对象的预测模型，给出了具有时延的非线性系统的优化预测控制。将神经网络用于GPC的研究成果有利用Tank．Hopfield网络处理GPC矩阵求逆的算法，基于神经网络误差修正的GPC算法、利用小脑模型进行提前计算的GPC算法、基于GPC的对
角递归神经网络控制方法以及用神经网络处理约束情形的预测控制算法。非线性系统的GPC研究成果还有基于双线性模型的GPC算法等[8]。文献[9]提出了多步预测性能指标函数下的神经网络逆动态控制方法，具有好的响应性能。文献[10]用一个神经网络来实现辨识和递推多步预测，控制信号的求取采用迭代学习，并用拟牛顿法求搜索方向，保证了算法的快速性和稳定性。文献[1l]采用神经网络来构造多步预测模型。并采用梯度下降法来训练网络和计算控制律．为实现非线性系统控制提供了一条可行途径。基于线性模型对非线性较强的过程进行多步预测时，就会产生较大的预测偏差。可采用神经网络对其进行补偿校正。并与基于线性模型的预测控制律相结合而构成非线性预测控制器。李少远等[2]基于多输出的前馈网络对多步预测的偏差进行修正，网络的训练算法为BP算法。林茂琼等[13]采用阻尼最小二乘法进行在线训练，获得一种自适应预测控制器，该算法不需预先训练神经网络，而且具有较好的跟踪性能。文献[14]利用一种权值可以在线调整的动态BP网络对模型预测误差进行拟合并与预测模型一起构成动态组合预测器，在此基础上形成对模型误差具有动态补偿能力的预测控制算法。
2 神经网络预测控制算法的新发展
2．1神经网络预测控制与PID控制器的结合[15]
PID控制器因其结构简单，参数调节方便．实时性好而广泛应用于各种控制规则。将PID控制应用于神经网络预测控制，可以发挥各自的优点，弥补相互的缺点。然而现有各种算法中，PID控制器参数的调节部是以输出一步预测误差最小为优化指标，这种基于单步最优指标的控制难以很好地反映未来时刻过程输出的动态变化规律，故常会引起控制信号大范围波动，从而导致系统振荡，另外，对于时变非线性对象，离线训练的BP网络已不能很好地完成辨识功能，而在线训练BP网络运算量大，不能满足实时辨识的要求。针对以上问题，将多步预测思想引入基于神经网络的智能PID控制算法中，即利用多步预测误差性能指标函数训练控制网络，并且选用运算量小、收敛性快、无局部极小的径向基函数网络辨识网络，对被控对象进行在线实时辨识。基于RBF神经网络多步预测的自适应P1D控制算法，利用2个神经网络分别作辨识器和控制器，实现非线性被控对象的在线辨识和PID参数的在线自适应调整，从而将PID控制推广到非线性、时变系统控制的领域。
2．2混沌学应用于神经网络预测控制
针对大多预测方法其收敛性和适应性均有不同程度的局限。并且由于负荷变化因素的复杂性和随机性很难用数学模型描述，这给模型的准确预测带来了很大困难。由于混沌是一种
常见的非线性动力学行为，混沌时问序列具有内部确定的规律性，其重构出混沌吸引子的相空间具有高精度的短期预测性，为此本文首先利用非线性、大时滞系统的时间序列重构相空间，计算相空间饱和嵌入维数。用最大Lyapunov指数对系统的混沌特性进行分析和判断。其次，以混沌理论为指导，建立混沌神经刚络预测模型。这里采用混沌神经列络模型的目的是山于系统负荷序列中常常有许多坏数据或发生变异的情况，它们的存在将对系统特性的分析和预测产生不良影响，而混沌神经网络模型具有非常强的容错性和联想记忆功能，即便在含有部分坏数据和发生变异的时间序列作为输入的情况下，该模型不仅能精确地再现系统的非线性动力学行为，而且在一定的范围内能对系统实现基于一步递推的多步预测，提高了模型预测的快速性和鲁棒性。在此基础上，文献[16]将神经网络与模糊控制相结合，设计了模糊神经预测控制器．即根据混沌神经网络预测模型输出得预测偏差和控制量模糊规则，并通过神经网络实现模糊逻辑控制器的结构，同时采用遗传算法对模糊神经刚络进行训练，这样有效地解决了大时滞、非线性的影响。
3神经网络预测控制应用的发展概况
3．1 基于非线性规划求解的神经网络预测控制
Aonat等将三层前馈网络用于输出的多步预测，并用二次规划求解基于多步预测的目标函数，从而构成非线性预测控制器[17]。Mills等采用递推式的滚动化网络模型进行多步预测，用历史栈算法来学习模型的权值，并用非线性规划求解含有约束的非线性预测控制律，这些措施为非线性预测控制器的自适应提供了一种有力的实现方案[18]。
3．2 基于迭代学习求解的神经网络预测控制
车海平等用一个多输出前馈网络的多个输出实现对过程的多步预测，控制信号的求取基于多步预测的目标函数，采用与网络权值训练相类似的梯度方法进行迭代学习获得[22]。Sorensen等用一个神经网络来实现对系统辨识和递推多步预测，控制信号的求取也采用迭代学习，并用拟牛顿法求搜索方向，保证了算法的快速性和稳定性[19]。
3．3 基于控制网络求解的神经网络预测控制
通常这种方案基于两个神经网络，一个是建模网络，用于过程的动态建模以获取对过程的预测信号：另一个是控制网络。它按照与预测控制目标函数相应的驱动信号来调整整个网络的权值，以获取对预测控制律函数的逼近。Najim等采用递归神经网络对过程进行递推式
的多步预测，采用一个多输入多输出的前馈网络作为控制网络。该网络的输出为当前及未来的控制序列。基于对控制量的各种约束条件和一个多步预测的目标函数对控制网络的权值在线训练获得控制信号[20]。陈增强等提出一种非线性系统间接预测控制，控制网络为多输入单输出。输出量为要计算的当前控制信号，各个输入量为对过程的多步预测序列与相应的设定值柔化序列之差[21]。
由于神经网络最主要的性质是能产生输入输出映射，以任意精度逼近多变量函数，因此逆向控制是神经网络应用于控制领域的一个重要方向。靳其兵等采用两个神经网络对被控对象及其逆动态进行辨识。逆动态网络即为控制网络，采用了多步预测的性能优化指标，直接训练控制器的权值，获得了一种多步预测性能指标函数下的神经网络逆动态控制方法[9]。
3．4 基于线性化方法的神经网络预测控制
线性化一直是处理非线性问题的常用方法，通过各种线性化逼近，可以将非线性控制律的求解加以简化提高其实时计算速度。陈增强等用一组神经网络模型逼近一个非线性系统的多步预测值，然后对网络的权值在线学习并基于刚络模型对过程的输出进行多步预侧，利
用泰勒公式对预测值进行线性逼近，然后求解预测控制的目标函数[22]。李翔等采用一个前馈神经网络辨识非线性系统，在每一个采样间隔均将学习后的网络模型进行线性化，将线性化模型直接应用广义预测控制算法，得到的GPC控制律与非线性前馈增益补偿相结合，对非线性系统进行多步预测控制[23]。Miguel等基于神经网络模型和输入输出反馈线性化思想提出一种非线性预测控制方案[24]。
4神经网络预测控制在工业中的应用
基于神经网络的预测控制在复杂工业过程控制中取得了许多成功的应用，Staib等基于神经网络控制电弧炉这个多变量、非线性、时变、难以用传统数学模型描述的系统[25,26]．Bongards等将神经网络预测器和模糊控制器结合在一起，在污水处理厂上得到了应用。Galvand等采用并行结构的递归神经网络在套管式化学反应釜中进行了应用，并行递归神经网络很好地模拟各个反应器不同的加热冷却回路中的动力学行为。他们还将神经网络逆控制和预测控制应用在试验性化学反应堆上，比原先的自校正PD控制器有更好的控制品质。柴天佑等将神经网络和专家系统结合，设计了钢球磨中储式制粉系统的神经网络解精控制器，极大地提高了制粉效率。陈增强和袁著社等将神经网络自校正预测控制应用于涤
纶片基拉膜生产线横向剖面这个复杂的多变量非线性系统上，极大地提高了产品的优质率。Jose等提出一种直接自适应神经网络控制器，能够对未知的非线性系统进行预测控制，并成功地将其应用在化工热交换过程的流速与温度控制中[。Hu等设计了基于模糊神经网络模型的有约束多步预测控制，井将其应用于烧结生产线的线速度控制中。此外，神经网络预测控制在热电厂和太阳能电厂都有成功应用的实例。这些成功的应用实践表明结合神经网络与预测控制的优势而形成的神经网络预测控制在工业过程中具有广阔的应用前景。而应用成功的关键是稳定性。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议